ÉLELMISZERLOGISZTIKAI FOLYAMATOK OPTIMALIZÁLÁSA

Átírás

1 BUDAPESTI CORVINUS EGYETEM ÉLELMISZERTUDOMÁNYI KAR A doktori iskola megnevezése: Élelmiszertudományi Doktori Iskola tudományága: Élelmiszertudományok ÉLELMISZERLOGISZTIKAI FOLYAMATOK OPTIMALIZÁLÁSA vezetıje: Témavezetı: Dr. Fodor Péter, tanszékvezetı egyetemi tanár, DSc Budapesti Corvinus Egyetem Élelmiszertudományi Kar Alkalmazott Kémia Tanszék Dr. Kollár Gábor egyetemi tanár, CSc Árukezelési és Áruforgalmazási Tanszék Élelmiszertudományi Kar Budapesti Corvinus Egyetem Hajnal Éva DOKTORI (PhD) ÉRTEKEZÉS TÉZISEI A jelölt a Budapesti Corvinus Egyetem Doktori Szabályzatában elıírt valamennyi feltételnek eleget tett, a mőhelyvita során elhangzott észrevételeket és javaslatokat az értekezés átdolgozásakor figyelembe vette, ezért az értekezés védési eljárásra bocsátható Az iskolavezetı jóváhagyása A témavezetı jóváhagyása Budapest 2007

2 A munka elızményei és célkitőzései Kutatómunkám fı célkitőzései Napjainkban a fogyasztók egyre jobban odafigyelnek az elfogyasztott élelmiszerek minıségére, biztonságosságára, vagy a szükséges kapcsolódó információk meglétére. A menedzsment részérıl pedig alapvetı az a felismerés, hogy a termékek és szolgáltatások minıségét csak a megfelelıen kialakított folyamatokkal lehet biztosítani. Ahhoz, hogy az élelmiszerek elosztása kellıen hatékony legyen, ezeket a folyamatokat kell optimálisan kialakítani és mőködtetni. A folyamatok optimalizálásának egyik módszere lehet olyan kidolgozott, szabványosított módszerek alkalmazása, mint a statisztikai alapú mintavételezés, illetve olyan döntéstámogató rendszerek igénybevétele, amelyek gyors és pontos információkat szolgáltatva segítenek a döntési bizonytalanság csökkentésében. Ilyen eszköz lehet a szimulációs technika. Az elmúlt három évtized során a szimulációs módszerek alkalmazása viharos gyorsasággal terjedt el a gyártási és logisztikai folyamatok optimalizálásában. Tapasztalataim szerint azonban az élelmiszeripar területén csupán nagyobb projektek vagy beruházások elıtt végeznek folyamatszimulációs vizsgálatokat, pedig a megfelelıen felépített, verifikált és validált modellek nagyban megkönnyíthetik a döntéshozók feladatát a napi döntési szituációkban is. Az alternatív forgatókönyvek kiértékelésével a megfelelı döntések hozhatók meg, figyelembe véve esetleg azok környezetre gyakorolt hatását is. A folyamatszimulációs modellek egyben csökkentik a döntéstámogatás költségét is. Az élelmiszer ellátási lánc minden szereplıjének alapvetı érdeke, hogy a készletgazdálkodás folyamatosan magas színvonalú legyen, így a vevıkhöz mindig jó minıségő termékek kerüljenek, a termék tulajdonosának pedig minél kevesebb értékesíthetetlen árut kelljen leselejteznie. Az optimális készletgazdálkodást hivatottak biztosítani a kiszállítás elıtti különféle rendezési módszerek (FIFO, FEFO, LIFO stb.) is. Élelmiszerek esetén a pultontarthatósági idı folyamatos figyelése is alapvetı fontosságú lenne, hogy a valódi minıségellenırzött logisztika megvalósulhasson. Vizsgálataimat két témakörben végeztem. Az egyik a statisztikai alapú mintavételezés alkalmazhatóságának vizsgálata, a másik pedig a folyamatszimuláció. Ez utóbbi kérdéskör vizsgálatához három szimulációs modellt építettem, amelybıl kettı kizárólag az általam vizsgált logisztikai központ belsı folyamatait veszi alapul, a harmadik pedig egy konkrét gyorsfagyasztott gyümölcs ellátási láncát mutatja a feldolgozástól a logisztikai központból történı kiszállításig. 2 Munkám során az alábbi kérdésekre kerestem választ: Kiváltható-e az összekészítési folyamat végét jelentı teljes körő ellenırzés valamilyen szabványos statisztikai alapú mintavételes ellenırzéssel, rendkívül szigorú vevıi követelmények esetén? Élelmiszerlogisztikai központok esetén alkalmas-e a szimulációs technika napi döntési szituációkban döntéstámogató eszközként a döntési bizonytalanság csökkentésére? Segíthet-e a a vezetıknek, hogy döntéseiket azok környezetre gyakorolt hatása alapján is felülvizsgálhassák? Hatékonyan végzi-e az általam választott kereskedelmi forgalomban kapható szimulációs szoftver az erıforrás optimalizálást, összevetve saját csak az adott probléma szintjéhez feltétlenül szükséges numerikus közelítéseket tartalmazó - Matlab-ra ill. Visual Basic for Excel nyelven írt programunkkal? Hogy néz ki az a modell, ami a pultontarthatósági idı fogyását jeleníti meg az ellátási láncon elırehaladva idényszerően termı, ám folyamatosan értékesített gyorsfagyasztott élelmiszer (szamóca) esetén? Mekkora a felélt pultontarthatósági idı bizonyos beállított modell paraméterek esetén? Létezik-e olyan kiszállítás elıtti rendezési szabály, melyet alkalmazva a termék tulajdonosa amellett, hogy az élelmiszerek megfelelı minıségben kerülnek a fogyasztókhoz, a raktáron lévı készlet gazdálkodását optimálisabban oldhatja meg? Ebben a kérdéskörben vizsgáltam: Milyen egyenlet írja le a pultontarthatósági idı és a hımérséklet kapcsolatát gyorsfagyasztott szamóca esetén? Gyorsfagyasztott szamóca esetén van-e szignifikáns különbség az egyes raklapok elfogyasztott pultontarthatósági idejének ( fcon) tekintetében a vizsgált idıszakot tekintve, ha a hagyományos FIFO/FEFO, vagy ha az általam bevezetett DEFO (Dynamic Expiry First Out) kiszállítás elıtti rendezési módot választjuk? 3

3 Anyagok és módszerek Vizsgálataim során kizárólag az elosztási logisztikára koncentráltam egy olyan logisztikai központban, amely három hımérsékleti tartományban üzemel. A szárazáru raktárrészben nem temperált élelmiszerek (AMB) raktározása és kezelése folyik, ezen kívül pedig van egy hőtött (CHL) és egy mélyhőtött (FRZ) raktárrész is. A központ egymodalitású, az árukat kamionok szállítják. Mintavételes ellenırzés Az elsı kutatási területem a mintavételes ellenırzés alkalmazhatósága, amire alapul az ISO és szabványokat használtam, az elemzést az általam vizsgált logisztikai központban, historikus adatokkal végeztem. A mintavétel alapjául az itt összekészített, kiszállításra váró termékek szolgáltak, amiket hagyományosan még utoljára egy 100%-os ellenırzésnek vetnek alá. Az ellenırzés célja, hogy a vevıkhöz pontosan összekészített áru menjen ki, illetve hogy megállapítható legyen a dolgozók teljesítménye. Mintavétel szempontjából fontos, hogy kétféle összekészítési folyamat van a raktárban, egy papír alapon mőködı, és egy modern, rádiófrekvenciás. Hibás az a rakat, amely nem felel meg az elıírásoknak, vizsgálataim során a minıségi (sérült külkarton), de fıleg a mennyiségi nem-megfelelıségre koncentráltam. Folyamatszimuláció Második kutatási területem a folyamatszimuláció alkalmazhatóságának vizsgálata volt, elıször az általam vizsgálat logisztikai központ beszállítási folyamatát tekintve, majd egy konkrét termék ellátási láncának egy szeletét elemezve. A vizsgálatokra olyan folyamatokat választottam, amelyeknél az idıben állandósult állapot már beállt. A felfutási, vagy a zavarás miatti átmeneti szakaszbeli viselkedések vizsgálatát dolgozatomban nem tőztem ki célul, ezek a jövıben további kutatások alapjául szolgálhatnak. Egy-egy folyamat teljesítményét a rá jellemzı teljesítménymutatók segítségével határoztam meg. A vizsgálatok során teljesítménymutatóként többek között a ciklusidıt, várakozási idıt, sorhosszt, munkaerı kihasználtságot, mőködési költséget, és hátralévı pultontarthatósági idıt használtam. A folyamatok modellezése során fontos feladatom volt a modell szintjének helyes megválasztása. Vizsgálataimat az Extend szimulációs szoftverrel végeztem. A sorállási és az erıforrás modellek konkrét alkalmazásainak számításait az Extend mellett egy másik, Almásy Gedeon által MATLAB-ra kifejlesztett folyamatszimuláló szoftver segítségével is elvégeztem, amelynek egy-egy egyszerősített verzióját hoztuk létre Visual Basic for Excel nyelven. A sorállási modellnél a kamionok raktárba történı beérkezését és lerakodását, illetve az ezt megelızı várakozást elemeztem. Ennek során két alternatív megoldást vizsgáltam (var1, var2). Az egyiknél minden árutípust csak az árutípusra eredetileg definiált dokkokon lehet átvenni, a másiknál viszont bizonyos prioritási szabályokat betartva az átirányítás is lehetséges volt. A modell bemeneti adatait az 1. táblázat tartalmazza. Ez tipikusan egy sorbanállási kérdés, a bemeneti adatok alapján azonban nem lehet eldönteni, hogy melyik szcenárió lesz a hatékonyabb, pedig operációszervezési szempontból ennek komoly jelentısége lehet. A sorállási modell segítségével megválaszolandó kérdés a következı: Van-e hatása a gépkocsik várakozási idejére és a sorhosszra, ha a szárazárut szállító kamionok leszedése esetlegesen a szabad hőtött dokkokon is történhet? Az erıforrás modellnél szintén az áruk beérkezését modelleztem, de csak a szárazáru raktárrész dokkjain. Vizsgáltam közben, hogy a fenti feladat elvégzéséhez a meghatározott prioritási szabályokat betartva mekkora az emberi erıforrás szükséglet. Olyan modellt építettem, amely az általam megadott célfüggvény alapján optimalizálással kalkulálja a raktárosok, magasemelı targoncások és gyalogvezérléső targoncások számát. A modell bemeneti adatait az 1. táblázat tartalmazza. Az optimalizáláshoz megadott célfüggvény a profit maximalizálást veszi alapul: ahol MaxProfit = IPP*InPalNum-cWHK*WHKnum-cRTD*RTDnum-csPPTD*PPTDnum IPP raklaponkénti bevétel InPalNum betárolt raklapok száma cwhk egy raktáros költsége WHKnum raktárosok száma crtd egy magasemelı targoncás költsége RTDnum magasemelı targoncások száma cpptd egy gyalogvezérléső targoncás költsége PPTDnum gyalogvezérléső targoncások száma. 4 5

4 Az erıforrás modell segítségével megválaszolandó kérdések a következık: Az emberi erıforrások megfelelı ütemezése megoldhatja-e a szárazáru dokkokon a sorállási problémát anélkül, hogy onnan a kamionokat a hőtött dokkokra kellene átirányítani? A szimulációs szoftverrel felépített modell futtatása a szoftverbe épített optimalizáló algoritmussal megfelelıen pontos eredményt ad-e, használható-e a szoftvernek ez a funkciója a napi operációban? Az ellátási lánc modell alapja a Time-Temperature-Tolerance modell. Ez feltételezi, hogy ha a termék hımérsékleti múltja ismert, akkor a pultontarthatósági idı bizonyos idıpillanatig felhasznált hányada (f con) egyenlı minden egyes hımérsékleti sávban eltöltött idı (t i) osztva az adott hımérsékleten értelmezett pultontarthatósági idıvel (θ i). f con= (t i / θ i) Célom az volt, hogy kiszámítsam különbözı modell paraméterek esetén a felélt pultontarthatósági idıt a központi raktárból történı kiszállításig, illetve megvizsgáljam, hogy érdemes-e a raklapokat a kiszállítás elıtt a hagyományos FIFO/FEFO rendezési szabálytól eltérıen a f con értékek alapján rendezni. A f con értékek alapján történı rendezési elvet DEFOnak neveztem. Ez a szabály az élelmiszer tényleges terhelését veszi figyelembe, és a rendezés pillanatáig változik. Az elemzés alapjául a gyorsfagyasztott szamócát választottam, mert ennél az élelmiszernél voltak meg az elemzéshez szükséges publikált alapadatok. Az ellátási lánc modell segítségével megválaszolandó kérdés a következı: Az ellátási láncot vizsgálva a központi raktárból történı kiszállításig vannak-e olyan anomáliák az egyes raklapok kezelését illetıen, hogy a kiszállítandó tételek f con értékei alapján a két vizsgált modell szcenárió (FIFO és DEFO) közötti különbség adott valószínőségi szinten szignifikáns. A modellt csak az ipari környezetben jobban használható Extend szimulációs szoftverrel építettem meg, az elemzés során effektív hımérsékletekkel dolgoztam. A három futtatás sorozat során beállított hımérsékleti adatok a következık: 1. T eff_szállítás= -18ºC, T eff_bevételezés = 5ºC, T eff_tárolás = -20ºC 2. T eff_szállítás= -18ºC, T eff_bevételezés = 5ºC, T eff_tárolás = -18ºC 3. T eff_szállítás= -18ºC, T eff_bevételezés = 15ºC, T eff_tárolás = -20ºC A beérkezést és kiszállítást elıre meghatározott minta szerint adtam meg, a bemeneti adatokat az 1. táblázat tartalmazza. 1. táblázat: A vizsgált modellek bemeneti adatai Sorállási Erıforrás modell Ellátási lánc modell modell Modell típusa diszkrét, diszkrét, diszkrét, sztochasztikus sztochasztikus sztochasztikus Elemzési mód szcenárió optimalizálás szcenárió analízis analízis Információ attribútum nincs attribútum adatbázis tárolás Entitások kamionok kamionok, raklapok kamionok, raklapok Élelmiszer AMB, CHL és AMB FRZ típus FRZ Beérkezés exponenciális eloszlás (várható érték 5 perc) u.a. mint a sorállási modellnél betakarítási minta szerint Kezdı esemény Záró esemény Operációk idıszükséglete kamionok érkezése a raktárhoz betárolás állványba Betárolás: 50 perc/kamion kamionok érkezése a raktárhoz betárolás állványba lerakodás: 90, adminisztráció: 15, bevételezés: 90 perc/(kamion/dolgozó) Dokkok száma Erıforrás korlátlan optimalizálandó korlátlan Futás hossza 24 óra 24 óra 1 év Futások száma 4 konvergencia alapján 4 Célfüggvény nincs van nincs kamionok indulása a fagyasztó üzembıl raktárból való kiszállítás beszállítás: normál eo, várható érték 1 óra, szórás 20 perc, bevételezés: normál e.o. várható érték. 3 perc/raklap, szórás 0,5 perc 6 7

5 Az eredmények összefoglalása A statisztikai mintavételes ellenırzés alkalmazhatóságának vizsgálatakor az ellenırzési terv fajtáját és szigorúságát, valamint a mintavételi lépcsık számát (ellenırzési tervtípus) elıre meghatároztam, az átvételi hibaszint (AQL) értékét pedig a vevıvel történı egyeztetés alapján adtam meg. A historikus adatokkal történı elemzés során azt tapasztaltam, hogy az ISO 2859 szabványban definiált módszerrel akár 80%-os megtakarítást is el lehetne érni a kiszállítás elıtti végsı ellenırzés idejébıl. Abban a konkrét esetben azonban, amit én vizsgáltam, a vevıvel közösen meghatározott teljesítménymutató -amibıl az AQL értéke kiszámítható- olyan szigorú, hogy csak nagy mintanagysággal volt biztosítható a jó és rossz tételek közötti megfelelı megkülönböztetı képesség. Ekkor azonban egyrészt nem garantálható a minta homogenitása, másrészt nem tartható vissza a teljes tétel az ellenırzés végéig. Alkalmas lehet azonban a módszer a beszállított tételek átvétel elıtti ellenırzésére, illetve más logisztikai központban akár a kiszállítás elıtti ellenırzésre is, ha a többi feltétel adott. A sorállási modellnél olyan beállítást választottam, amelynél elıre nem látható, hogy a két vizsgált szcenárió közül melyik lesz az alkalmasabb, viszont a modell lefuttatásával ez rögtön egyértelmővé vált. A modell elsı verziójánál a sorhossz és a várakozási idı a szimulációs idı utolsó harmadában elkezdett növekedni, és a 24 órás mőszak végére a sorban maradtak kamionok, amik nem lettek kiszolgálva. A dokkok kihasználtsága a második verziónál kiegyenlítıdött, az átlagos és maximális várakozási idı szintén csökkent (1. ábra). Az összes futtatás eredményeinek összefoglalását a 2. táblázat tartalmazza. várakozási idı [perc] t(chl) t(amb) Várakozási idı (E50_1) mőszak [perc] várakozási idı [perc] t(chl) t(amb) Várakozási idı (E50_2) mőszak [perc] 1. ábra: Várakozási idı eredmények a Var1 (E50_1) és Var2 (E50_2) sorállási modelleknél 2. táblázat: Numerikus eredmények a Sorállási modell két verziójának futtatásaiból (1-4. futások) Futás Kamion AMB CHL FRZ Összes Kihaszn(AC)% 1 érkezett Betár. v % Betár. v % 2 érkezett Betár. v % Betár. v % 3 érkezett Betár. v % Betár. v % 4 érkezett Betár. v % Betár. v % Azt tapasztaltam, hogy az Extend rendkívül hatékonyan adta meg ugyanazt az eredményt, amit az Almásy-program. Az eredmények általánosíthatók, az Extend más logisztikai központok esetén is alkalmas a napi szintő sorállási problémák megoldására, figyelembe véve, hogy minden logisztikai központban hasonlók a folyamatok, mint az általam vizsgáltban, ebbıl a szempontból pedig az sem releváns, hogy raklapszintő vagy kartonszintő-e a nyomonkövetés, hiszen a szoftver mindkettıt kezelni tudja. Az erıforrás modellnél az vizsgáltam, hogy az erıforrások milyen kombinációjánál biztosítható a célfüggvény szerinti optimum. Az Extend szimulációs szoftver többszöri 8 9

6 próbálkozásra sem adott olyan jó eredményt, mint az Almásy-program, az Extendbe beépített optimalizáló blokk legtöbbször csak lokális maximumokat talált. A 3. táblázatban összehasonlítottam az Extend és Almásy modellek eredményeit. 3. táblázat: Az Almásy és Extend modell eredményei érkezett (#kamion) átvett (#kamion) 10 WHK (fı) RTD (fı) PPTD (fı) MaxProfit (Ft) Almásy , Extend Az Almásy modellnél a szimuláció során megengedtünk 4 órás mőszakokat is, és a modell az átvett kamionokhoz számította azokat a kocsikat is, amik a 8 órás mőszak végén érkeztek és már bedokkoltak, míg az Extend ezeket már a következı napi ciklushoz tette. Ha ezeket az értékeket egységesítjük (133 átvett kamion, csak 8 órás mőszak), akkor is azt kapjuk, hogy az Almásy modell hatékonyabban oldotta meg ezt a feladatot (Almásy-féle korrigált MaxProfit= Ft). Megállapításom szerint az Extend szoftver nagyon hatékonyan végzi a sorállási problémák megoldását, a szcenárió analízist, érzékenységvizsgálatot, vagy Monte-Carlo szimulációt, viszont az optimalizálásnál kiegészítı elemzések is szükségesek. Az erıforrás optimalizálásnál kapott eredmények általánosíthatók más optimalizálási feladatokra, viszont természetesen nem általánosíthatók más szimulációs szoftverekre, hiszen azok optimalizáló algoritmusa esetleg máshogy mőködik. Ennek elemzését nem tőztem ki célul ebben a dolgozatban. Természetesen a számszerő eredmények, melyeket a modelleken végzett kísérletek eredményeként kaptam, csak olyan logisztikai központok esetén igazak, ahol mind a folyamatok, mind azok paraméterei megegyeznek az általam vizsgált központéval. Ahol ettıl eltérés tapasztalható, ott vagy a paraméterek változtatásával vagy új modell építésével kaphatunk pontos eredményt. Fontos, hogy a logisztikai központ folyamatai szabályozottak legyenek, és az elemzéshez megbízható adatok álljanak rendelkezésre. Az ellátási lánc modellel a minıség-romlást modelleztem úgy, hogy az egyes raklapokhoz változó attribútumokat kapcsoltam, amelyek az ellátási lánc különféle szegmensein összegzik az f con értékeket. A modell egyik szcenáriója FIFO szerint jelöli ki a kiszállítandó tételeket, a másik pedig kiszállítás elıtt az aktuális Σf con értékek alapján sorba rendezett tételek közül a legjobban terhelt raklapokat jelöli ki elıször kiszállításra. Ez utóbbi módszert DEFO-nak neveztem el. A modellnél Just-in-time beszállítást alkalmaztam, és irodalmi mérési adatokat alapul véve meghatároztam a hımérséklet és a pultontarthatósági idı közötti összefüggést. Az illesztett függvény egyenlete és paraméterei az alábbiak (R 2 =0.9996): θ(t)=(a T 2 + B T + C) e kt A=0,01026; C=8,32861 B=0,58124; k= - 0, Ezt alkalmazva, az egyes lépcsıkben eltöltött idıkkel és a környezeti paraméterek közül a hımérséklettel számol a modell. Felépítése igen bonyolult, három szinten tartalmaz hierarhikus blokkokat (2. ábra). gy ártás szállítás bev ételezés 11 DEFO Get Statistics 2. ábra: Ellátási lánc modell hierarchikus változata A rendelések kiszállítás A felépített modellel három fajta input-adatrendszert vizsgáltam. Az elsı paraméterezés a normál operációra jellemzı. Eredményeim szerint a felélt pultontarthatósági idı a kiszállításig átlagosan 33%, a minimum és maximum 4% ill. 61%. Ebbıl a vizsgálatból az látszik, hogy a szabályokat betartva gyakorlatilag alig van különbség az eredményekben akkor ha a FIFO vagy ha a DEFO rendezési elvet alkalmazzuk. A második paraméterezésnél, ha a tárolás -18 ºC-on történik ami elvileg még megengedett - már 43%-ra növekszik az átlagosan felélt pultontarthatósági idı, a szélsıértékek pedig 6% és 79%. Ez azt jelenti, hogy ha érvényesítenénk azt a szabályt (amit egyébként számos gyártó alkalmaz), miszerint 70% felett már nem mehet ki termék a raktárból, akkor jelentıs számú raklapot vissza kellene tartani. A két szcenárió ebben az esetben is gyakorlatilag ugyanazt az eredményt adta. A harmadik paraméterezésnél, amikor a raktári bevételezés 15ºC-on történik, akkor viszont jelentıs különbség van a FIFO és DEFO módszer között. Az átlagban elfogyasztott pultontarthatósági idı mindkét szcenáriónál 54%-ra növekszik, a szélsıértékek viszont FIFO

7 szerint 5% és 102% (szórás 19%), vagyis már eleve lejárt termékek is vannak a készletben. A 70% feletti f con értékő raklapok száma 214 és 227 között változott az egyes futtatások során. Fontos megjegyeznem azt, hogy ilyen elemzés híján ezek a tények nem is derülnek ki, a tételeket mind kiszállítják, hiszen még a rábélyegzett lejárati idın belül vannak. DEFO módszer esetén az átlagban elfogyasztott pultontarthatósági idı szélsıértékei 45% és 63% (szórás 4%). A készlet optimalizálását tehát a DEFO szabállyal ebben az esetben is igen hatékonyan el lehetett végezni, biztosítható volt, hogy megfelelı minıségő termékek kerüljenek a fogyasztóhoz, míg a FIFO-val nem. Véleményem szerint a DEFO módszer jelenti a valódi minıségellenırzött logisztikát. A módszer alkalmazásához két feltételnek kell együttesen teljesülnie. Az egyik feltétel a megfelelıen kimért hımérséklet-pultontarthatósági idı adatok megléte a vizsgálandó fagyasztott termékek esetén. Ezek az adatok termékenként, feldolgozási technológiánként és csomagolásonként eltérıek. További kutatások szükségesek azonban ahhoz, hogy megállapíthassuk, hogy a csomagolás módja mellett a rakatképzési technológiák hogyan befolyásolják a hımérséklet-pultontarthatósági görbék alakulását, vagy például tömbtárolás esetén milyen korrekciókat kell végezni a tömb szélén vagy közepén elhelyezett kartonokon. A másik feltétel az, hogy az ellátási láncban, ezen belül is kiemelten a logisztikai központban a szükséges idı és hımérséklet adatok megbízhatóan pontosak legyenek, és mindig rendelkezésre álljanak Ez utóbbi feltétel teljesítése sokkal kevesebb ráfordítást igényel, ha a raktárban már eleve rádiófrekvenciás rendszer mőködik. Itt is lényeges azonban a jól definiált operációs folyamatok betartása. sorállási problémák megoldását, szcenárió analízist vagy Monte-Carlo szimulációt, viszont az erıforrás optimalizálásnál kiegészítı elemzések szükségesek. A gyorsfagyasztott szamóca példáján keresztül olyan szimulációs modellt dolgoztam ki, ami a gyorsfagyasztott áruk várható élettartamát mutatja be. Kidolgoztam a DEFO (Dynamic Expiry First Out) kiszállítás elıtti rendezési módszert, amely élelmiszerek esetén a hagyományos FIFO vagy FEFO módszer egy lehetséges alternatívája. Igazoltam, hogy a DEFO rendkívül hatékony akkor, ha a bevételezést magas környezeti hımérsékleten végzik. A módszer a hagyományos FIFO szabállyal ellentétben itt is biztosítani tudja, hogy az élelmiszerek megfelelı minıségben kerüljenek a fogyasztókhoz. Új tudományos eredmények Kimutattam, hogy az általam vizsgált logisztikai központban a szigorú vevıi elvárások miatt a statisztikai alapú mintavételes ellenırzés nem alkalmazható a kiszállítás elıtti végellenırzésnél. Igazoltam, hogy a szimulációs technika akár napi döntési szituációkban is alkalmas döntéstámogató eszközként az élelmiszerlogisztikában a döntési bizonytalanság csökkentésére, és segít a döntések környezetre gyakorolt hatását is kimutatni. Matlab-ra ill. Visual Basic for Excel nyelven írt programunk segítségével bemutattam, hogy az általam választott szimulációs szoftver hatékonyan végzi a 12 13

8 Az értekezés témaköréhez kapcsolódó saját publikációk Folyóirat cikkek Impakt faktoros folyóiratcikk É.Hajnal, G. Kollár (2007): Process modelling and simulation in food logistics application of DEFO method in frozen fruit storage. Acta Alimentaria. Elfogadott folyóiratcikk. Várható megjelenés: második félév. É.Hajnal, G. Almásy, K. Kollár-Hunek, G. Kollár (2007): Resource optimization by simulation technique in food logistics. Applied Ecology and Environmental Research. Vol 5 pp Nem impakt faktoros folyóiratcikk É. Hajnal, G. Kollár (2005): Optimization of food logistic processes by simulation technique. Hungarian Journal of Industrial Chemistry (Special Issue on Recent advances in Computer Aided Process Engineering), Vol 33. pp Nemzetközi konferencia (full paper) Hajnal É. (2002): Környezetirányítási rendszer alapelveinek alkalmazása logisztikai központban. VIII. Nemzetközi Vegyészkonferencia konferencia kiadványa, Kolozsvár, p Hajnal É., Kollár G. (2003): EU környezetvédelmi elıírásainak érvényesítése a logisztikai szolgáltatásban. IX. Nemzetközi Vegyészkonferencia Kolozsvár konferencia kiadványa, Kolozsvár, p Nemzetközi konferencia (abstract) É. Hajnal, G. Kollár (2003): Statistics and IT support in traceability and product recall at food logistics providers. 9th International Workshop on Chemical Engineering Mathematics, Bad Honnef, Germany, July , p. 11. É. Hajnal, G. Kollár (2005): Optimization of food logistic processes by simulation technique. 10th International Workshop on Chemical Engineering Mathematics, Budapest, Hungary, August , p. 6. É. Hajnal, G. Kollár, M. Láng-Lázi (2004): IT support and statistics in traceability and product recall at food logistics providers. Periodica Polytechnica ser. Chemical Engineering Vol.48, NO.1 pp (2004) Hajnal É. (2004): EU környezetvédelmi elıírásainak érvényesítése a logisztikai szolgáltatásban. Logisztikai Évkönyv 2004., Budapest, pp Hajnal É. (2001): Élelmiszerlogisztikai szolgáltatások speciális minıségi és élelmiszerbiztonsági követelményei. Az Európai Unio agrárgazdasága 2001.VI. évfolyam 7-8 sz., Budapest Publikáció konferencia kiadványban Magyar nyelvő konferencia (full paper) Hajnal É., Kollár G. (2002): A logisztikai szolgáltatásban kiépített integrált minıségbiztosítási rendszerek alapkövetelményei:termékbiztonság és nyomonkövethetıség. Mőszaki Kémiai Napok konferencia kiadványa, Veszprém, p Hajnal É., Kollár G. (2003): Statisztikai áruellenırzés logisztikai központban. Mőszaki Kémiai Napok konferencia kiadványa, Veszprém, p Hajnal É., Kollár G. (2003): HACCP rendszer kiépítése logisztikai központban Mőszaki Kémiai Napok konferencia kiadványa, Veszprém, p Hajnal É., Kollár G. (2004): Folyamatoptimalizálás és monitoring a logisztikában. Mőszaki Kémiai Napok konferencia kiadványa, Veszprém, p Magyar nyelvő konferencia (abstract) Hajnal É., Kollár G. (2004): Application of simulation models in food logistics. Szegedi Konferencia konferencia kiadványa, Szeged, p